更短的思维，相同的答案：用于思维链压缩的难度缩放分段式强化学习

思维链（CoT）提升了推理可靠性但增加了 token 成本，促使对显式推理轨迹进行后训练压缩。然而，最短充分推理并非通用，取决于难度、模型容量及训练状态，固定长度目标往往脆弱。实践中，朴素的基于 RL 的压缩可能不当缩短用户可见答案，因单一完成级学习信号泄露至思考/回答边界。本文提出难度缩放分段式 GRPO（DSS-GRPO），将回报分解为思考与回答组件，计算每段的组相对优势，并通过硬 token 掩码路由，确保压缩更新仅作用于思考部分，而答案对齐仅作用于回答部分。该方法利用提示级组内塑造和难度感知缩放，鼓励简洁推理同时避免答案行为崩塌。